Es besteht ein wachsender Bedarf an studentenzentriertem Lernen (SCL) an Hochschulen, einschließlich der Zahnmedizin.Allerdings findet SCL in der zahnmedizinischen Ausbildung nur begrenzte Anwendungsmöglichkeiten.Daher zielt diese Studie darauf ab, die Anwendung von SCL in der Zahnmedizin zu fördern, indem die Entscheidungsbaum-Technologie des maschinellen Lernens (ML) verwendet wird, um den bevorzugten Lernstil (LS) und die entsprechenden Lernstrategien (IS) von Zahnmedizinstudenten als nützliches Werkzeug für die Entwicklung von IS-Richtlinien abzubilden .Vielversprechende Methoden für Zahnmedizinstudenten.
Insgesamt 255 Zahnmedizinstudenten der Universität Malaya füllten den Fragebogen zum modifizierten Index of Learning Styles (m-ILS) aus, der 44 Elemente enthielt, um sie in ihre jeweiligen LSs einzuordnen.Die gesammelten Daten (Datensatz genannt) werden beim überwachten Entscheidungsbaumlernen verwendet, um die Lernstile der Schüler automatisch an den am besten geeigneten IS anzupassen.Anschließend wird die Genauigkeit des auf maschinellem Lernen basierenden IS-Empfehlungstools bewertet.
Die Anwendung von Entscheidungsbaummodellen in einem automatisierten Zuordnungsprozess zwischen LS (Eingabe) und IS (Zielausgabe) ermöglicht eine sofortige Liste geeigneter Lernstrategien für jeden Zahnmedizinstudenten.Das IS-Empfehlungstool zeigte eine perfekte Genauigkeit und erinnert an die Gesamtmodellgenauigkeit, was darauf hinweist, dass die Anpassung von LS an IS eine gute Sensitivität und Spezifität aufweist.
Ein auf einem ML-Entscheidungsbaum basierendes IS-Empfehlungstool hat seine Fähigkeit bewiesen, die Lernstile von Zahnmedizinstudierenden genau mit geeigneten Lernstrategien in Einklang zu bringen.Dieses Tool bietet leistungsstarke Optionen für die Planung lernerzentrierter Kurse oder Module, die die Lernerfahrung der Studierenden verbessern können.
Lehren und Lernen sind grundlegende Aktivitäten in Bildungseinrichtungen.Bei der Entwicklung eines qualitativ hochwertigen Berufsbildungssystems ist es wichtig, sich auf die Lernbedürfnisse der Studierenden zu konzentrieren.Die Interaktion zwischen Schülern und ihrer Lernumgebung kann durch ihre LS bestimmt werden.Untersuchungen deuten darauf hin, dass vom Lehrer beabsichtigte Diskrepanzen zwischen LS und IS der Schüler negative Folgen für das Lernen der Schüler haben können, wie beispielsweise eine verminderte Aufmerksamkeit und Motivation.Dies wird sich indirekt auf die Leistung der Schüler auswirken [1,2].
IS ist eine Methode, die von Lehrern verwendet wird, um Schülern Wissen und Fähigkeiten zu vermitteln, einschließlich der Unterstützung der Schüler beim Lernen [3].Im Allgemeinen planen gute Lehrer Unterrichtsstrategien oder IS, die am besten zum Wissensstand ihrer Schüler, den Konzepten, die sie lernen, und ihrem Lernstand passen.Wenn LS und IS übereinstimmen, sind die Schüler theoretisch in der Lage, bestimmte Fähigkeiten zu organisieren und zu nutzen, um effektiv zu lernen.Typischerweise umfasst ein Unterrichtsplan mehrere Übergänge zwischen den Phasen, beispielsweise vom Unterricht zum angeleiteten Üben oder vom angeleiteten Üben zum selbstständigen Üben.Vor diesem Hintergrund planen erfolgreiche Lehrer den Unterricht oft mit dem Ziel, das Wissen und die Fähigkeiten der Schüler zu erweitern [4].
Die Nachfrage nach SCL wächst in Hochschuleinrichtungen, darunter auch in der Zahnmedizin.SCL-Strategien sind darauf ausgelegt, den Lernbedürfnissen der Schüler gerecht zu werden.Dies kann beispielsweise erreicht werden, wenn Studierende aktiv an Lernaktivitäten teilnehmen und Lehrkräfte als Moderatoren fungieren und für die Bereitstellung wertvoller Rückmeldungen verantwortlich sind.Es wird gesagt, dass die Bereitstellung von Lernmaterialien und Aktivitäten, die dem Bildungsniveau oder den Vorlieben der Schüler entsprechen, die Lernumgebung der Schüler verbessern und positive Lernerfahrungen fördern kann [5].
Im Allgemeinen wird der Lernprozess von Studenten der Zahnmedizin durch die verschiedenen klinischen Verfahren beeinflusst, die sie durchführen müssen, sowie durch das klinische Umfeld, in dem sie wirksame zwischenmenschliche Fähigkeiten entwickeln.Ziel der Ausbildung ist es, die Studierenden in die Lage zu versetzen, Grundkenntnisse der Zahnheilkunde mit zahnärztlichen klinischen Fertigkeiten zu verbinden und das erworbene Wissen auf neue klinische Situationen anzuwenden [6, 7].Frühe Untersuchungen zur Beziehung zwischen LS und IS ergaben, dass die Anpassung der Lernstrategien, die dem bevorzugten LS zugeordnet sind, zur Verbesserung des Bildungsprozesses beitragen würde [8].Die Autoren empfehlen außerdem den Einsatz verschiedener Lehr- und Bewertungsmethoden, um sie an das Lernen und die Bedürfnisse der Schüler anzupassen.
Lehrer profitieren von der Anwendung von LS-Wissen, um Unterricht zu entwerfen, zu entwickeln und umzusetzen, der den Erwerb tieferer Kenntnisse und das Verständnis der Schüler für das Thema fördert.Forscher haben mehrere LS-Bewertungsinstrumente entwickelt, wie das Kolb Experiential Learning Model, das Felder-Silverman Learning Style Model (FSLSM) und das Fleming VAK/VARK Model [5, 9, 10].Laut Literatur sind diese Lernmodelle die am häufigsten verwendeten und am besten untersuchten Lernmodelle.In der aktuellen Forschungsarbeit wird FSLSM zur Beurteilung von LS bei Zahnmedizinstudenten verwendet.
FSLSM ist ein weit verbreitetes Modell zur Bewertung adaptiven Lernens im Ingenieurwesen.Es gibt viele veröffentlichte Arbeiten in den Gesundheitswissenschaften (einschließlich Medizin, Krankenpflege, Pharmazie und Zahnmedizin), die mithilfe von FSLSM-Modellen gefunden werden können [5, 11, 12, 13].Das zur Messung der Dimensionen von LS im FLSM verwendete Instrument heißt Index of Learning Styles (ILS) [8] und enthält 44 Elemente zur Bewertung von vier Dimensionen von LS: Verarbeitung (aktiv/reflexiv), Wahrnehmung (perzeptiv/intuitiv), Eingabe (visuell).(verbal) und Verständnis (sequentiell/global) [14].
Wie in Abbildung 1 dargestellt, hat jede FSLSM-Dimension eine dominante Präferenz.In der Verarbeitungsdimension beispielsweise bevorzugen Schüler mit „aktivem“ LS die Verarbeitung von Informationen durch direkte Interaktion mit Lernmaterialien, „Learning by Doing“ und tendieren dazu, in Gruppen zu lernen.Der „reflexive“ LS bezieht sich auf Lernen durch Denken und arbeitet lieber alleine.Die „wahrnehmende“ Dimension von LS kann in „Gefühl“ und/oder „Intuition“ unterteilt werden.„Gefühlige“ Studierende bevorzugen konkretere Informationen und praktische Vorgehensweisen, sind faktenorientiert im Vergleich zu „intuitiven“ Studierenden, die abstraktes Material bevorzugen und innovativer und kreativer sind.Die „Input“-Dimension von LS besteht aus „visuellen“ und „verbalen“ Lernenden.Menschen mit „visueller“ LS lernen lieber durch visuelle Demonstrationen (wie Diagramme, Videos oder Live-Demonstrationen), während Menschen mit „verbaler“ LS lieber durch schriftliche oder mündliche Erklärungen lernen.Um die LS-Dimensionen zu „verstehen“, können solche Lernenden in „sequentiell“ und „global“ unterteilt werden.„Sequentielle Lernende bevorzugen einen linearen Denkprozess und lernen Schritt für Schritt, während globale Lernende eher einen ganzheitlichen Denkprozess verfolgen und immer ein besseres Verständnis dafür haben, was sie lernen.“
In jüngster Zeit haben viele Forscher damit begonnen, Methoden zur automatischen datengesteuerten Entdeckung zu erforschen, einschließlich der Entwicklung neuer Algorithmen und Modelle, die in der Lage sind, große Datenmengen zu interpretieren [15, 16].Basierend auf den bereitgestellten Daten ist überwachtes ML (maschinelles Lernen) in der Lage, Muster und Hypothesen zu generieren, die auf der Grundlage der Konstruktion von Algorithmen zukünftige Ergebnisse vorhersagen [17].Einfach ausgedrückt manipulieren Techniken des überwachten maschinellen Lernens Eingabedaten und trainieren Algorithmen.Anschließend wird ein Bereich generiert, der das Ergebnis basierend auf ähnlichen Situationen für die bereitgestellten Eingabedaten klassifiziert oder vorhersagt.Der Hauptvorteil überwachter maschineller Lernalgorithmen ist ihre Fähigkeit, ideale und gewünschte Ergebnisse zu erzielen [17].
Durch den Einsatz datengesteuerter Methoden und Entscheidungsbaum-Kontrollmodelle ist eine automatische Erkennung von LS möglich.Es wurde berichtet, dass Entscheidungsbäume in Schulungsprogrammen in verschiedenen Bereichen, einschließlich der Gesundheitswissenschaften, häufig verwendet werden [18, 19].In dieser Studie wurde das Modell von den Systementwicklern speziell trainiert, um die LS der Schüler zu identifizieren und ihnen den besten IS zu empfehlen.
Der Zweck dieser Studie besteht darin, IS-Bereitstellungsstrategien auf der Grundlage der LS der Studierenden zu entwickeln und den SCL-Ansatz durch die Entwicklung eines auf LS abgebildeten IS-Empfehlungstools anzuwenden.Der Entwurfsablauf des IS-Empfehlungstools als Strategie der SCL-Methode ist in Abbildung 1 dargestellt. Das IS-Empfehlungstool ist in zwei Teile unterteilt, einschließlich des LS-Klassifizierungsmechanismus mithilfe von ILS und der am besten geeigneten IS-Anzeige für Studenten.
Zu den Merkmalen von Informationssicherheits-Empfehlungstools gehören insbesondere der Einsatz von Web-Technologien und der Einsatz von Entscheidungsbaum-Maschinenlernen.Systementwickler verbessern das Benutzererlebnis und die Mobilität, indem sie sie an mobile Geräte wie Mobiltelefone und Tablets anpassen.
Das Experiment wurde in zwei Phasen durchgeführt und Studenten der Fakultät für Zahnmedizin der Universität Malaya nahmen auf freiwilliger Basis teil.Die Teilnehmer antworteten auf den Online-m-ILS eines Zahnmedizinstudenten auf Englisch.In der Anfangsphase wurde ein Datensatz von 50 Studenten verwendet, um den Entscheidungsbaum-Algorithmus für maschinelles Lernen zu trainieren.In der zweiten Phase des Entwicklungsprozesses wurde ein Datensatz von 255 Studierenden genutzt, um die Genauigkeit des entwickelten Instruments zu verbessern.
Alle Teilnehmer erhalten zu Beginn jeder Etappe, je nach Studienjahr, ein Online-Briefing über Microsoft Teams.Der Zweck der Studie wurde erläutert und eine Einverständniserklärung eingeholt.Alle Teilnehmer erhielten einen Link zum Zugang zum m-ILS.Jeder Schüler wurde angewiesen, alle 44 Punkte des Fragebogens zu beantworten.Sie hatten eine Woche Zeit, das modifizierte ILS zu einem für sie passenden Zeitpunkt und an einem für sie passenden Ort in den Semesterferien vor Semesterbeginn zu absolvieren.Das m-ILS basiert auf dem ursprünglichen ILS-Instrument und wurde für Zahnmedizinstudenten modifiziert.Ähnlich wie das ursprüngliche ILS enthält es 44 gleichmäßig verteilte Items (a, b) mit jeweils 11 Items, die zur Bewertung von Aspekten jeder FSLSM-Dimension verwendet werden.
In der Anfangsphase der Werkzeugentwicklung haben die Forscher die Karten anhand eines Datensatzes von 50 Zahnmedizinstudenten manuell mit Anmerkungen versehen.Laut FSLM liefert das System die Summe der Antworten „a“ und „b“.Wenn der Schüler für jede Dimension „a“ als Antwort auswählt, wird der LS als aktiv/wahrnehmungsbezogen/visuell/sequentiell klassifiziert, und wenn der Schüler „b“ als Antwort auswählt, wird der Schüler als reflektierend/intuitiv/linguistisch klassifiziert ./ globaler Lernender.
Nach der Kalibrierung des Arbeitsablaufs zwischen zahnmedizinischen Ausbildungsforschern und Systementwicklern wurden Fragen basierend auf der FLSSM-Domäne ausgewählt und in das ML-Modell eingespeist, um die LS jedes Studenten vorherzusagen.„Müll rein, Müll raus“ ist ein beliebtes Sprichwort im Bereich des maschinellen Lernens, wobei der Schwerpunkt auf der Datenqualität liegt.Die Qualität der Eingabedaten bestimmt die Präzision und Genauigkeit des maschinellen Lernmodells.Während der Feature-Engineering-Phase wird ein neuer Feature-Satz erstellt, der die Summe der Antworten „a“ und „b“ basierend auf FLSSM darstellt.Die Identifikationsnummern der Arzneimittelpositionen sind in Tabelle 1 aufgeführt.
Berechnen Sie die Punktzahl anhand der Antworten und ermitteln Sie die LS des Schülers.Für jeden Schüler liegt der Wertebereich zwischen 1 und 11. Werte von 1 bis 3 zeigen ein Gleichgewicht der Lernpräferenzen innerhalb derselben Dimension an, und Werte von 5 bis 7 weisen auf eine mäßige Präferenz hin, was darauf hinweist, dass Schüler dazu neigen, eine Umgebung zu bevorzugen, in der sie andere unterrichten .Eine weitere Variante derselben Dimension besteht darin, dass Werte von 9 bis 11 eine starke Präferenz für das eine oder andere Ende widerspiegeln [8].
Für jede Dimension wurden die Medikamente in „aktiv“, „reflektierend“ und „ausgewogen“ eingeteilt.Wenn ein Schüler beispielsweise bei einem bestimmten Item häufiger mit „a“ als mit „b“ antwortet und seine/ihre Punktzahl für ein bestimmtes Item, das die LS-Dimension „Verarbeiten“ darstellt, den Schwellenwert von 5 überschreitet, gehört er/sie zur „aktiven“ LS-Dimension Domain..Allerdings wurden Studierende als „reflexive“ LS eingestuft, wenn sie in bestimmten 11 Fragen „b“ mehr als „a“ wählten (Tabelle 1) und mehr als 5 Punkte erzielten.Schließlich befindet sich der Schüler in einem Zustand des „Gleichgewichts“.Wenn die Punktzahl 5 Punkte nicht überschreitet, handelt es sich um einen „Prozess“ LS.Der Klassifizierungsprozess wurde für die anderen LS-Dimensionen wiederholt, nämlich Wahrnehmung (aktiv/reflexiv), Eingabe (visuell/verbal) und Verständnis (sequentiell/global).
Entscheidungsbaummodelle können in verschiedenen Phasen des Klassifizierungsprozesses unterschiedliche Teilmengen von Merkmalen und Entscheidungsregeln verwenden.Es gilt als beliebtes Klassifizierungs- und Vorhersagetool.Es kann mithilfe einer Baumstruktur wie einem Flussdiagramm [20] dargestellt werden, in dem es interne Knoten gibt, die Tests nach Attributen darstellen, jeder Zweig Testergebnisse darstellt und jeder Blattknoten (Blattknoten) eine Klassenbezeichnung enthält.
Es wurde ein einfaches regelbasiertes Programm erstellt, um die LS jedes Schülers basierend auf seinen Antworten automatisch zu bewerten und zu kommentieren.Regelbasiert erfolgt in Form einer WENN-Anweisung, wobei „WENN“ den Auslöser beschreibt und „DANN“ die auszuführende Aktion angibt, zum Beispiel: „Wenn X passiert, dann mache Y“ (Liu et al., 2014).Wenn der Datensatz eine Korrelation aufweist und das Entscheidungsbaummodell ordnungsgemäß trainiert und ausgewertet ist, kann dieser Ansatz eine effektive Möglichkeit sein, den Prozess des Abgleichs von LS und IS zu automatisieren.
In der zweiten Entwicklungsphase wurde der Datensatz auf 255 erhöht, um die Genauigkeit des Empfehlungstools zu verbessern.Der Datensatz wird im Verhältnis 1:4 aufgeteilt.25 % (64) des Datensatzes wurden für den Testsatz verwendet und die restlichen 75 % (191) wurden als Trainingssatz verwendet (Abbildung 2).Der Datensatz muss aufgeteilt werden, um zu verhindern, dass das Modell mit demselben Datensatz trainiert und getestet wird, was dazu führen könnte, dass das Modell sich eher erinnert als lernt.Das Modell wird auf dem Trainingssatz trainiert und bewertet seine Leistung auf dem Testsatz – Daten, die das Modell noch nie zuvor gesehen hat.
Sobald das IS-Tool entwickelt ist, kann die Anwendung LS basierend auf den Antworten von Zahnmedizinstudenten über eine Webschnittstelle klassifizieren.Das webbasierte Informationssicherheits-Empfehlungstoolsystem wird mit der Programmiersprache Python und dem Django-Framework als Backend erstellt.Tabelle 2 listet die Bibliotheken auf, die bei der Entwicklung dieses Systems verwendet wurden.
Der Datensatz wird einem Entscheidungsbaummodell zugeführt, um die Antworten der Schüler zu berechnen und zu extrahieren, um die LS-Messungen der Schüler automatisch zu klassifizieren.
Die Verwirrungsmatrix wird verwendet, um die Genauigkeit eines Entscheidungsbaum-Algorithmus für maschinelles Lernen für einen bestimmten Datensatz zu bewerten.Gleichzeitig wird die Leistung des Klassifizierungsmodells bewertet.Es fasst die Vorhersagen des Modells zusammen und vergleicht sie mit den tatsächlichen Datenbezeichnungen.Die Bewertungsergebnisse basieren auf vier verschiedenen Werten: Richtig positiv (TP) – das Modell hat die positive Kategorie korrekt vorhergesagt, falsch positiv (FP) – das Modell hat die positive Kategorie vorhergesagt, aber die wahre Bezeichnung war negativ, wahr negativ (TN) – Das Modell hat die negative Klasse korrekt vorhergesagt, und falsch negativ (FN) – Das Modell sagt eine negative Klasse voraus, aber die wahre Bezeichnung ist positiv.
Diese Werte werden dann verwendet, um verschiedene Leistungsmetriken des Scikit-Learn-Klassifizierungsmodells in Python zu berechnen, nämlich Präzision, Präzision, Rückruf und F1-Score.Hier sind Beispiele:
Der Rückruf (oder die Sensitivität) misst die Fähigkeit des Modells, die LS eines Schülers nach Beantwortung des m-ILS-Fragebogens genau zu klassifizieren.
Spezifität wird als echte negative Rate bezeichnet.Wie Sie der obigen Formel entnehmen können, sollte dies das Verhältnis von echten Negativen (TN) zu echten Negativen und falschen Positiven (FP) sein.Als Teil des empfohlenen Tools zur Klassifizierung von Studentendrogen sollte es eine genaue Identifizierung ermöglichen.
Der ursprüngliche Datensatz von 50 Studenten, der zum Trainieren des Entscheidungsbaum-ML-Modells verwendet wurde, zeigte aufgrund menschlicher Fehler in den Anmerkungen eine relativ geringe Genauigkeit (Tabelle 3).Nach der Erstellung eines einfachen regelbasierten Programms zur automatischen Berechnung von LS-Scores und Schüleranmerkungen wurde eine zunehmende Anzahl von Datensätzen (255) zum Trainieren und Testen des Empfehlungssystems verwendet.
In der Mehrklassen-Verwirrungsmatrix stellen die Diagonalelemente die Anzahl der korrekten Vorhersagen für jeden LS-Typ dar (Abbildung 4).Mithilfe des Entscheidungsbaummodells wurden insgesamt 64 Stichproben korrekt vorhergesagt.Daher zeigen die diagonalen Elemente in dieser Studie die erwarteten Ergebnisse, was darauf hinweist, dass das Modell eine gute Leistung erbringt und die Klassenbezeichnung für jede LS-Klassifizierung genau vorhersagt.Somit liegt die Gesamtgenauigkeit des Empfehlungstools bei 100 %.
Die Werte für Genauigkeit, Präzision, Erinnerung und F1-Bewertung sind in Abbildung 5 dargestellt. Für das Empfehlungssystem, das das Entscheidungsbaummodell verwendet, beträgt die F1-Bewertung 1,0 „perfekt“, was perfekte Präzision und Erinnerung anzeigt und eine erhebliche Sensitivität und Spezifität widerspiegelt Werte.
Abbildung 6 zeigt eine Visualisierung des Entscheidungsbaummodells nach Abschluss von Training und Tests.Im direkten Vergleich zeigte das mit weniger Funktionen trainierte Entscheidungsbaummodell eine höhere Genauigkeit und eine einfachere Modellvisualisierung.Dies zeigt, dass das Feature-Engineering, das zur Feature-Reduzierung führt, ein wichtiger Schritt zur Verbesserung der Modellleistung ist.
Durch die Anwendung von entscheidungsbaumüberwachtem Lernen wird die Zuordnung zwischen LS (Eingabe) und IS (Zielausgabe) automatisch generiert und enthält detaillierte Informationen für jedes LS.
Die Ergebnisse zeigten, dass 34,9 % der 255 Studierenden eine (1) LS-Option bevorzugten.Die Mehrheit (54,3 %) hatte zwei oder mehr LS-Präferenzen.12,2 % der Studierenden gaben an, dass die LS recht ausgewogen sei (Tabelle 4).Zusätzlich zu den acht Haupt-LS gibt es 34 Kombinationen von LS-Klassifizierungen für Zahnmedizinstudenten der University of Malaya.Unter ihnen sind Wahrnehmung, Vision und die Kombination aus Wahrnehmung und Vision die wichtigsten LS, über die Studierende berichten (Abbildung 7).
Wie aus Tabelle 4 hervorgeht, hatte die Mehrheit der Schüler ein überwiegend sensorisches (13,7 %) oder visuelles (8,6 %) LS.Es wurde berichtet, dass 12,2 % der Studierenden Wahrnehmung mit Sehen kombinierten (wahrnehmungsvisuelle LS).Diese Ergebnisse deuten darauf hin, dass Schüler es vorziehen, mit etablierten Methoden zu lernen und sich zu erinnern, spezifische und detaillierte Verfahren zu befolgen und von Natur aus aufmerksam sind.Gleichzeitig haben sie Freude am Schauenlernen (anhand von Diagrammen etc.) und neigen dazu, Informationen in Gruppen oder alleine zu diskutieren und anzuwenden.
Diese Studie bietet einen Überblick über maschinelle Lerntechniken, die beim Data Mining verwendet werden, wobei der Schwerpunkt auf der sofortigen und genauen Vorhersage des LS der Schüler und der Empfehlung geeigneter IS liegt.Die Anwendung eines Entscheidungsbaummodells identifizierte die Faktoren, die am engsten mit ihren Lebens- und Bildungserfahrungen zusammenhängen.Es handelt sich um einen überwachten Algorithmus für maschinelles Lernen, der eine Baumstruktur zur Klassifizierung von Daten verwendet, indem er einen Datensatz anhand bestimmter Kriterien in Unterkategorien unterteilt.Dabei werden die Eingabedaten basierend auf dem Wert eines der Eingabemerkmale jedes internen Knotens rekursiv in Teilmengen unterteilt, bis am Blattknoten eine Entscheidung getroffen wird.
Die internen Knoten des Entscheidungsbaums stellen die Lösung basierend auf den Eingabemerkmalen des m-ILS-Problems dar, und die Blattknoten stellen die endgültige LS-Klassifizierungsvorhersage dar.Im Laufe der Studie ist es leicht, die Hierarchie der Entscheidungsbäume zu verstehen, die den Entscheidungsprozess erklären und visualisieren, indem man die Beziehung zwischen Eingabemerkmalen und Ausgabevorhersagen betrachtet.
In den Bereichen Informatik und Ingenieurwesen werden Algorithmen des maschinellen Lernens häufig verwendet, um die Leistung von Schülern auf der Grundlage ihrer Aufnahmeprüfungsergebnisse [21], demografischen Informationen und des Lernverhaltens [22] vorherzusagen.Untersuchungen haben gezeigt, dass der Algorithmus die Leistung der Schüler genau vorhersagte und ihnen dabei half, Schüler zu identifizieren, bei denen das Risiko akademischer Schwierigkeiten besteht.
Es wird über die Anwendung von ML-Algorithmen bei der Entwicklung virtueller Patientensimulatoren für die zahnärztliche Ausbildung berichtet.Der Simulator ist in der Lage, die physiologischen Reaktionen echter Patienten genau zu reproduzieren und kann zur Ausbildung von Zahnmedizinstudenten in einer sicheren und kontrollierten Umgebung verwendet werden [23].Mehrere andere Studien zeigen, dass maschinelle Lernalgorithmen möglicherweise die Qualität und Effizienz der zahnmedizinischen und medizinischen Ausbildung sowie der Patientenversorgung verbessern können.Algorithmen des maschinellen Lernens wurden verwendet, um die Diagnose von Zahnerkrankungen auf der Grundlage von Datensätzen wie Symptomen und Patientenmerkmalen zu unterstützen [24, 25].Während andere Studien den Einsatz von Algorithmen für maschinelles Lernen untersucht haben, um Aufgaben wie die Vorhersage von Patientenergebnissen, die Identifizierung von Hochrisikopatienten, die Entwicklung personalisierter Behandlungspläne [26], die Parodontalbehandlung [27] und die Kariesbehandlung [25] durchzuführen.
Obwohl Berichte über die Anwendung von maschinellem Lernen in der Zahnmedizin veröffentlicht wurden, bleibt seine Anwendung in der zahnmedizinischen Ausbildung begrenzt.Daher zielte diese Studie darauf ab, mithilfe eines Entscheidungsbaummodells die Faktoren zu identifizieren, die bei Zahnmedizinstudenten am engsten mit LS und IS verbunden sind.
Die Ergebnisse dieser Studie zeigen, dass das entwickelte Empfehlungstool eine hohe Genauigkeit und perfekte Genauigkeit aufweist, was darauf hindeutet, dass Lehrer von diesem Tool profitieren können.Mithilfe eines datengesteuerten Klassifizierungsprozesses können personalisierte Empfehlungen bereitgestellt und die Bildungserfahrungen und -ergebnisse für Pädagogen und Schüler verbessert werden.Unter anderem können durch Empfehlungstools gewonnene Informationen Konflikte zwischen den bevorzugten Lehrmethoden der Lehrer und den Lernbedürfnissen der Schüler lösen.Durch die automatisierte Ausgabe von Empfehlungstools wird beispielsweise die Zeit, die erforderlich ist, um die IP eines Studierenden zu identifizieren und mit der entsprechenden IP abzugleichen, erheblich reduziert.Auf diese Weise können geeignete Schulungsaktivitäten und Schulungsmaterialien organisiert werden.Dies fördert das positive Lernverhalten und die Konzentrationsfähigkeit der Schüler.In einer Studie wurde berichtet, dass die Bereitstellung von Lernmaterialien und Lernaktivitäten für Schüler, die zu ihrem bevorzugten LS passen, den Schülern dabei helfen kann, das Lernen auf vielfältige Weise zu integrieren, zu verarbeiten und Freude am Lernen zu haben, um ein größeres Potenzial zu erreichen [12].Untersuchungen zeigen außerdem, dass das Verständnis des Lernprozesses der Schüler neben der Verbesserung der Beteiligung der Schüler am Unterricht auch eine entscheidende Rolle bei der Verbesserung der Unterrichtspraxis und der Kommunikation mit den Schülern spielt [28, 29].
Allerdings gibt es wie bei jeder modernen Technologie Probleme und Einschränkungen.Dazu gehören Fragen im Zusammenhang mit Datenschutz, Voreingenommenheit und Fairness sowie den beruflichen Fähigkeiten und Ressourcen, die für die Entwicklung und Implementierung von Algorithmen für maschinelles Lernen in der zahnmedizinischen Ausbildung erforderlich sind.Das wachsende Interesse und die wachsende Forschung in diesem Bereich deuten jedoch darauf hin, dass Technologien des maschinellen Lernens einen positiven Einfluss auf die zahnmedizinische Ausbildung und zahnärztliche Leistungen haben könnten.
Die Ergebnisse dieser Studie zeigen, dass die Hälfte der Zahnmedizinstudenten dazu neigt, Drogen „wahrzunehmen“.Dieser Lerntyp hat eine Vorliebe für Fakten und konkrete Beispiele, eine praktische Orientierung, Geduld für Details und eine „visuelle“ LS-Vorliebe, bei der Lernende lieber Bilder, Grafiken, Farben und Karten verwenden, um Ideen und Gedanken zu vermitteln.Die aktuellen Ergebnisse stimmen mit anderen Studien überein, in denen ILS zur Beurteilung des LS bei Zahnmedizin- und Medizinstudenten eingesetzt wurde, von denen die meisten Merkmale des wahrnehmungsbezogenen und visuellen LS aufweisen [12, 30].Dalmolin et al. schlagen vor, dass die Information der Schüler über ihre LS es ihnen ermöglicht, ihr Lernpotenzial auszuschöpfen.Forscher argumentieren, dass, wenn Lehrer den Bildungsprozess der Schüler vollständig verstehen, verschiedene Lehrmethoden und Aktivitäten implementiert werden können, die die Leistung und Lernerfahrung der Schüler verbessern [12, 31, 32].Andere Studien haben gezeigt, dass die Anpassung des LS der Schüler auch zu Verbesserungen der Lernerfahrung und Leistung der Schüler führt, nachdem sie ihre Lernstile an ihr eigenes LS angepasst haben [13, 33].
Die Meinungen der Lehrer hinsichtlich der Umsetzung von Lehrstrategien, die auf den Lernfähigkeiten der Schüler basieren, können unterschiedlich sein.Während einige die Vorteile dieses Ansatzes sehen, einschließlich Möglichkeiten zur beruflichen Weiterentwicklung, Mentoring und Unterstützung durch die Gemeinschaft, machen sich andere möglicherweise Sorgen um Zeit und institutionelle Unterstützung.Das Streben nach Ausgewogenheit ist der Schlüssel zur Schaffung einer schülerzentrierten Einstellung.Hochschulbehörden, wie z. B. Universitätsverwalter, können eine wichtige Rolle bei der Förderung positiver Veränderungen spielen, indem sie innovative Praktiken einführen und die Fakultätsentwicklung unterstützen [34].Um ein wirklich dynamisches und reaktionsfähiges Hochschulsystem zu schaffen, müssen politische Entscheidungsträger mutige Schritte unternehmen, z. B. politische Änderungen vornehmen, Ressourcen für die Technologieintegration bereitstellen und Rahmenbedingungen schaffen, die studierendenzentrierte Ansätze fördern.Diese Maßnahmen sind entscheidend für die Erzielung der gewünschten Ergebnisse.Neuere Untersuchungen zum differenzierten Unterricht haben deutlich gezeigt, dass eine erfolgreiche Umsetzung des differenzierten Unterrichts fortlaufende Schulungs- und Entwicklungsmöglichkeiten für Lehrkräfte erfordert [35].
Dieses Tool bietet eine wertvolle Unterstützung für zahnmedizinische Lehrkräfte, die bei der Planung schülerfreundlicher Lernaktivitäten einen schülerzentrierten Ansatz verfolgen möchten.Diese Studie beschränkt sich jedoch auf die Verwendung von Entscheidungsbaum-ML-Modellen.In Zukunft sollten mehr Daten gesammelt werden, um die Leistung verschiedener Modelle für maschinelles Lernen zu vergleichen und die Genauigkeit, Zuverlässigkeit und Präzision von Empfehlungstools zu vergleichen.Darüber hinaus ist es bei der Auswahl der am besten geeigneten Methode des maschinellen Lernens für eine bestimmte Aufgabe wichtig, andere Faktoren wie Modellkomplexität und Interpretation zu berücksichtigen.
Eine Einschränkung dieser Studie besteht darin, dass sie sich nur auf die Kartierung von LS und IS bei Zahnmedizinstudenten konzentrierte.Daher wird das entwickelte Empfehlungssystem nur diejenigen empfehlen, die für Zahnmedizinstudierende geeignet sind.Für die allgemeine Nutzung durch Studierende im Hochschulbereich sind Änderungen erforderlich.
Das neu entwickelte, auf maschinellem Lernen basierende Empfehlungstool ist in der Lage, die LS der Schüler sofort zu klassifizieren und dem entsprechenden IS zuzuordnen. Damit ist es das erste zahnmedizinische Ausbildungsprogramm, das zahnmedizinische Ausbilder bei der Planung relevanter Lehr- und Lernaktivitäten unterstützt.Mithilfe eines datengesteuerten Triage-Prozesses können personalisierte Empfehlungen abgegeben, Zeit gespart, Lehrstrategien verbessert, gezielte Interventionen unterstützt und die kontinuierliche berufliche Weiterentwicklung gefördert werden.Seine Anwendung wird studentenzentrierte Ansätze in der zahnmedizinischen Ausbildung fördern.
Gilak Jani Associated Press.Übereinstimmung oder Nichtübereinstimmung zwischen dem Lernstil des Schülers und dem Lehrstil des Lehrers.Int J Mod Educ Informatik.2012;4(11):51–60.https://doi.org/10.5815/ijmecs.2012.11.05
Zeitpunkt der Veröffentlichung: 29. April 2024